自动摘要作为自然语言处理方向的研究课题之一,因其可以实现自动提取文章主要信息组成摘要,节约读者阅读成本而成为研究热点。但传统的抽取式自动摘要方法产生的摘要,语义不连贯、可读性差等问题,一直困扰着研究人员,也为自动摘要的真正普及带来巨大挑战。近五年来,随着深度学习的快速发展,生成式自动摘要方法开始逐渐受到重视,为解决自动摘要课题提供了新的思路。本文从当前生成式自动摘要方法中常用的基本模型——基于注意力机制的Sequence-to-Sequence模型入手,详细介绍了基本模型的主要框架——编码-解码器框架的主要结构,以及注意力机制的主要原理,同时给出了常用的训练和评价语料数据集和评价方法。我们通过对基本模型进行实验,发现基本模型存在的若干问题,包括:Out-Of-Vocabulary单词引起的摘要细节错误、注意力机制引起的摘要短语重复、循环神经网络模型引起的训练效率低。针对基本模型出现的问题,我们从原理出发,对基本模型进行一定的改进:1)通过引入指针网络的复制机制,并将其与基本模型的生成机制相结合,共同指导摘要的生成,有效提高了摘要细节的准确率;2)通过引入覆盖率向量,对注意力机制进行二次利用,使摘要的重复短语大大降低;3)针对循环神经网络模型训练效率低的问题,我们也给出了用卷积神经网络代替基本模型中的循环神经网络,从而实现并行计算的思路。我们对优化模型进行训练和评价,通过对生成摘要的质量进行效果对比和定量分析,可以看出我们的优化模型无论从实际效果还是评价指标上都优于基本模型,基本解决了摘要细节错误和短语重复的问题,证明了优化模型的有效性。